学位论文 > 优秀研究生学位论文题录展示

马尾松人工林生长的人工神经网络模型研究

作　者: 黄家荣
导　师: 孟宪宇；关毓秀
学　校: 北京林业大学
专　业: 森林经理学
关键词: 神经网络马尾松人工林全林分生长模型林分结构模型单木生长模型地位指数林分密度指数
分类号: S791.248
类　型: 博士论文
年　份: 2005年
下　载: 439次
引　用: 32次
阅　读: 论文下载

内容摘要

为探讨一套新的林分生长建模技术,论文以马尾松人工林为研究对象,以经营密度试验数据、单木定位固定标准地资料和常规标准地资料为训练样本和检验样本,在MATLAB系统环境下,应用BP神经网络建模技术,对马尾松人工林各类生长模型进行了系统的研究。首先对全文要用的材料与方法进行了论述与研究,提出一种简化的人工神经元模型和以此为基础的林分生长神经网络模型的构建方法,提出一种简单有效的隐层层数的确定方法,同时提出用定性与定量分析相结合的方法进行模型性能分析,确定隐层神经元数,以克服神经网络在训练中容易出现过度拟合数据而降低模型泛化能力的主要缺陷,使分析结果可靠、可信。然后构建了地位指数和林分密度指数神经网络模型,并用大量的常规标准地和树干解析资料对所建模型进行训练和检验,确定了适宜的模型结构。分析结果表明,所建单形地位指数神经网络模型,其拟合、检验精度很高,具有很强的泛化能力;推导的单形地位指数曲线式和计算式,取得了很好的应用效果。多形地位指数神经网络模型与Richards多形地位指数模型比较,具有较好的拟合效果。对比分析结果表明,以神经网络建模技术构建的林分多形地位指数模型比以Richards生长函数为基础的多形地位指数模型更能有效地解决地位指数曲线的多形性问题。同时成功地构建与训练了多形地位指数神经网络逆模型,可精确地计算地位指数值。构建的林分密度指数神经网络模型,拟合效果比Reineke模型好。由此推导的林分密度指数曲线式和密度指数计算式,取得了令人满意的应用效果。在地位指数与密度指数模型研究的基础上,系统地研究了三类林分生长模型及其在林分生长与收获预测中的应用。以年龄、地位指数和单株地积构成输入矩阵,以林分平均胸径、林分平均高、林分每公顷蓄积构成输出矩阵,构建多输入多输出的全林分生长神经网络模型,并用大量的常规标准地资料确定了适宜的模型结构。三维空间仿真曲面的直观定性分析和精度、回归定量分析结果说明,该模型既符合林分生长规律,又具有很高的拟合精度和很强的泛化能力。同时根据模型间的相容性,由林分株数密度和林分平均胸径生长神经网络模型联合构建了林分断面积生长神经网络模型。以相对直径作输入变量,以株数累积频率作输出变量,构建了直径分布神经网络模拟模型,用实际数据训练、选出的最佳模型,与weibull分布模型比较,具有较好的拟合效果。研建了计算Weibull分布参数的神经网络模型,其拟合效果比常规回归分析法好。在直径分布模拟方法探讨的基础上,以径阶上限相对直径、林分平均直径和直径变动系数作为输入变量集,以径阶株数累积频率作为输出变量,构建了多输入单输出的林分直径分布神经网络预测模型。并以82块标准地径阶分布数据为样本对摘要所建模型进行了训练和优选,得理想的模型结构为3:6:6:1,训练误差指示为0.000281。将选出的预测模型回代82块训练标准地,结果证明所建模型具有很好的拟合效果。用18块未参加模型训练的固定标准地资料对预测模型的直接预测能力进行了检验,结果说明所建模型的预测效果能达到与拟合效果同样的水平。综合年龄跨度比较结果与检验精度的分析结果得出:所建的直径分布预测模型具有很强的泛化能力,不仅对训练样本年龄范围的直径分布数据具有很强的切合性,而且具有一定的外推能力。模型可用于预测10一30年生未经间伐或间伐后己恢复自然生长状态的现实马尾松人工林直径分布。经营密度试验标准地的预测检验结果说明,间伐强度对直径分布预测精度影响很大,直径分布预测模型不适于对间伐后还未恢复自然状态的现实林分进行直径分布预测,尤其是中、高强度间伐的现实林分。在用林分直径分布神经网络模型计算径阶频率的过程中,为保证由径阶累积频率转算的径阶频率合计等于1(艺公二1),本文采用截尾累进法进行概率约束,即令最大径阶上限的累积频率为1,令最小径阶的频率等于该径阶上限的累积频率。在树高分布和直径树高二维分布的计算中,也采用同样的约束。以相对树高作输入变量、以株数累积频率作输出变量构建的树高分布网络模型,与直径分布网络模型一样取得了很好的拟合效果。构建的直径树高二维分布神经网络模型,用非正态的直径、树高二维分布数据进行训练,在三维空间中作图进行仿真效果分析,结果说明神经网络能很好地拟合多维非正态分布。为模拟树高分布和预测径阶平均高,还研建了结构为3:6:1的树高曲线神经网络预测模型,可方便地在计算机上计算预测林分平均高和径阶平均高。总之,用神经网络模型作为林分结构模拟模型,既能模拟左偏分布,又能模拟右偏分布;既能模拟一元非正态分布,又能模拟多元非正态分布。所建的林分直径分布预测模型,对现实林分的直接预测,取得了高精度的预测效果。神经网络模拟技术可作为有效的林分结构模拟与预测技术。在确定单木竞争指标之后,用林分内单木相对直径、林分年龄、地位指数和单株地积作为输入变量,以单木胸径生长量作为输出变量,构建了单木生长神经网络模型。用间伐试验林的单木生长调查统计数据对模型进行反复训练,以确定适宜的模型结构,其拟合效果理想,仿真结果符合单木生

全文目录

1 引言  14-33
  1.1 林分生长模型的研究综述  14-27
    1.1.1 林分生长模型研究的发展简史  14-15
    1.1.2 各类林分生长模型的研究概况  15-27
      1.1.2.1 地位指数模型的研究  15-16
      1.1.2.2 林分密度指数模型的研究  16-17
      1.1.2.3 全林分生长模型的研究  17-21
      1.1.2.4 径阶分布模型的研究  21-25
      1.1.2.5 单木生长模型的研究  25-27
  1.2 神经网络的应用研究综述  27-31
    1.2.1 神经网络的发展与现状  27-28
    1.2.2 神经网络在林分生长模型研究中的应用  28-31
  1.3 建模理念、研究目的和意义  31-32
  1.4 研究内容  32-33
2 材料、理论与方法  33-60
  2.1 基础材料  33-45
    2.1.1 研究地区自然条件  33-34
    2.1.2 基础数据  34-45
      2.1.2.1 固定标准地的建立与调查  34-36
      2.1.2.2 皆伐标准地每木胸径、树高生长过程的测定  36-41
      2.1.2.3 临时标准地资料的收集、处理与分析  41-43
      2.1.2.4 林分密度指数样地的统计与分析  43-44
      2.1.2.5 林分平均优势木解析木数据  44
      2.1.2.6 其他基础数据  44-45
  2.2 神经网络理论基础  45-50
    2.2.1 生物神经元与人工神经元  45-47
    2.2.2 生物神经网络与人工神经网络  47-49
    2.2.3 BP 神经网络及其算法  49-50
  2.3 研究方法  50-58
    2.3.1 模型构建方法  50-55
    2.3.2 模型训练方法  55-56
    2.3.3 模型性能分析方法  56-58
      2.3.3.1 仿真效果分析  57
      2.3.3.2 拟合精度分析  57
      2.3.3.3 预测精度分析  57-58
      2.3.3.4 回归分析  58
  2.4 本章小结  58-60
3 地位指数与密度指数神经网络模型  60-83
  3.1 单形地位指数模型  60-67
    3.1.1 模型构建  60-61
    3.1.2 模型训练  61-62
    3.1.3 模型精度分析  62
    3.1.4 地位指数计算  62-67
  3.2 多形地位指数模型  67-75
    3.2.1 模型构建与训练  67-69
    3.2.2 模型性能分析  69
    3.2.3 地位指数神经网络逆模型与地位指数计算  69-75
  3.3 密度指数模型  75-79
    3.3.1 Reineke的林分密度指数模型  75-77
    3.3.2 林分密度指数神经网络模型  77-79
  3.4 本章小结与问题讨论  79-83
    3.4.1 单形地位指数模型研究的小结  79-80
    3.4.2 多形地位指数模型研究的小结与问题讨论  80-81
    3.4.3 密度指数模型研究小结  81-83
4 全林分生长神经网络模型  83-97
  4.1 模型建立  83-84
  4.2 模型训练  84-85
  4.3 模型性能分析  85-95
    4.3.1 仿真效果分析  85-86
    4.3.2 拟合精度分析  86
    4.3.3 检验精度分析  86-93
    4.3.4 回归分析  93-95
  4.4 林分断面积生长神经网络模型构建  95
  4.5 本章小结  95-97
5 林分结构神经网络模型  97-128
  5.1 直径分布模拟  97-104
    5.1.1 模型建立  97-98
    5.1.2 模型训练  98-99
    5.1.3 结果分析  99-104
      5.1.3.1 仿真效果与拟合精度分析  99-100
      5.1.3.2 回归分析  100
      5.1.3.3 与weibull分布模型比较  100-104
  5.2 直径分布预测  104-116
    5.2.1 模型构建  104-105
    5.2.2 模型训练与优选  105-112
    5.2.3 模型精度分析  112-116
      5.2.3.1 拟合精度分析  112-114
      5.2.3.2 预测精度分析  114-116
  5.3 树高分布模拟  116-121
    5.3.1 树高曲线模型  116-118
    5.3.2 树高分布模型的建立与训练  118-119
    5.3.3 结果分析  119-121
  5.4 直径树高二维分布模拟  121-126
    5.4.1 模型构建  121-122
    5.4.2 网络训练  122
    5.4.3 结果分析  122-126
  5.5 本章小结  126-128
    5.5.1 直径分布模拟小结  126
    5.5.2 直径分布预测小结  126-127
    5.5.3 树高分布及直径树高二维分布模拟小结  127-128
6 单木胸径生长神经网络模型  128-136
  6.1 竞争指标的确定  128-130
  6.2 模型构建与训练  130-132
    6.2.1 模型构建  130-131
    6.2.2 模型训练  131-132
  6.3 模型性能分析  132-135
  6.4 本章小结  135-136
7 林分生长与收获预测  136-158
  7.1 基于全林分生长模型的预测  136-144
    7.1.1 全林分生长模型的改造  136-137
    7.1.2 林分现状测算  137-138
    7.1.3 林分预测计算  138-144
      7.1.3.1 单株地积的预测  138-139
      7.1.3.2 林分断面积平均直径的预测  139-142
      7.1.3.3 林分平均高的预测  142
      7.1.3.4 林分总断面积的预测  142
      7.1.3.5 林分蓄积量的预测  142-143
      7.1.3.6 林分蓄积生长量的预测  143-144
  7.2 基于径阶分布模型的预测  144-151
    7.2.1 林分直径分布频率预测  144-149
    7.2.2 林分生长与收获预测  149-151
      7.2.2.1 径阶株数预测  149
      7.2.2.2 径阶断面积与林分总断面积预测  149
      7.2.2.3 径阶平均高预测  149
      7.2.2.4 径阶材积和林分蓄积预测  149-150
      7.2.2.5 径阶材种材积与林分材种出材量预测  150-151
  7.3 基于单木胸径生长模型的预测  151-156
  7.4 本章小结  156-158
    7.4.1 基于全林分生长模型的预测小结  156-157
    7.4.2 基于径阶分布模型的预测小结  157
    7.4.3 基于单木胸径生长模型的预测小结  157-158
8 结论  158-163
  8.1 方法研究结论  158
  8.2 地位指数与密度指数模型的研究结论  158-159
  8.3 全林分生长模型的研究结论  159
  8.4 林分结构模型的研究结论  159-160
  8.5 单木胸径生长模型的研究结论  160-161
  8.6 林分生长与收获预测的研究结论  161-162
  8.7 论文的创新点  162-163
参考文献  163-174
个人简介  174-175
导师简介  175-176
在读期间发表的论文  176-177
致谢  177

马尾松人工林生长的人工神经网络模型研究

内容摘要

全文目录

相似论文